|
作者：CEVA高級硬件系統架構師- Noam Dvoretzki，CEVA高級通信算法工程師- Zeev Kaplan 對于改進數據速率和/或信噪比，多輸入和多輸出(MIMO)是領先的方法之一。通過使用多個接收和發送天線，MIMO可利用無線信道的多樣性。對于任何給定的信道帶寬，這可用于提高信道的頻譜效率并改進數據速率。 MIMO的規格取決于發送和接收天線的數量。在一個4×4 MIMO配置中，使用了四個發送天線和四個接收天線。這在同樣信道帶寬上實現了(在合適的條件下)高達四倍的數據傳輸。 一方面，簡單的MIMO接收器基于線性接收器算法，其易于實現但無法完全利用MIMO的好處。另一方面，使用迭代法，可以實現最佳的最大后驗概率近似MIMO算法；然而，這會導致高延時的不足。一種更加實用的非線性MIMO接收器的實施途徑是最大似然(Maximum Likelihood, ML)或最大似然檢測器(Maximum Likelihood Detector, MLD), 它在根本上是基于一個徹底的并列搜索。MLD在處理方面比傳統線性接收器要求更高，但對于相同的信道條件，可提供明顯更高的比特率。另外，對于具有天線相關性的信道，MLD更穩健可靠。 使用高階MIMO規格(超過兩個接收和兩個發送天線)可以導致顯著的頻譜效率改進——但這也有其成本代價：隨著MIMO規格的增加，MLD接收器的計算復雜性以指數方式增加。高階MIMO要求相當大的處理能力——對于這一點，直接的MLD方法是不切實際的，必須使用次優(suboptimal)MLD算法來實現用戶設備(User Equipment，UE)的實施。 次優ML接收器 次優ML接收器試圖以更有效的方法來掃描可能的傳送信號，從而減少整體復雜性并達到接近ML精度的結果。減少復雜性有助于根據大小和功率進行更加實際的硬件實施。這還使硬件能夠保持由先進通信標準規定的高吞吐量。 次優ML方程式的解決可定義為一種樹形搜索，其中樹的每一個層級對應于一個發送符號。每個節點的分支突出數匹配QAM或發送符號的調制。一個4×4 MIMO配置可由一個四層樹表示。假如調制為BPSK，每個節點將包含兩個分支。 一旦定義了樹的符號，可以部署樹遍歷算法，借用其它領域比如計算機科學。 
關于此點，次優ML接收器可劃分為兩個主要類型： 1. 橫向優先搜索 2. 深度優先搜索 橫向優先搜索 橫向優先的一個例子就是K-best算法。該解碼器是一個固定復雜性解決方案，從樹根開始并上行，直至它達到樹的最后一層。在樹的每層上，對所有選擇的分支進行了評估并保留K留存節點，匹配最佳解決方案(代表了最接近接收信號的符號)——因此得名“K-best”。K剩余樹葉然后就用于生成LLR結果。 該解碼器的優點是： * 單向流有助于硬件的簡易流水線實施。 * 計算每層所需要的處理能力是恒定的，且直接與實施中所選的留存節點(K)的數量相關。 * 數據吞吐量是恒定的，其反過來簡化了在系統中計劃的數據流 該解碼器的缺點包括： * 需要大面積實施以便評估和分類所有選擇的層級節點。 * 精度要求越高，所需要的K值越高。 * 在最佳SNR條件中，數據吞吐量不會增加。 * 不能保證達到ML解決方案，因為最佳解決方案可能存在于沒有選擇的節點中。 下述圖表顯示了一個采用QPSK調制的MIMO 4×4 (4-層)樹。在此例子中，K為四。樹的每層將分為十六個節點。最好的四個將會是用于下一層的留存節點。
深度優先搜索 深度優先的一個例子就是軟輸出球解碼(Soft-Output Sphere Decoder)算法。此解碼器是一種自適應復雜性解決方案，從樹根開始并首先直接上升到樹葉——因此得名“深度優先”。該樹的優先解決方案確定了初始搜索半徑或范圍。從那時起，解碼器在整個樹層中追溯并上升。對樹的每個超出搜索半徑的節點及其下面的所有節點進行修整。每次找到一個更好的解決方案，相應地減少半徑范圍。以此方法，掃描并修整了符號樹，直至有效選項數量減少。余下的符號代表了ML解決方案。 此解碼器的優點是： * 可保證獲得ML解決方案，有助于結果精確度。 * 在高SNR條件下， 解碼器運行更快，增加了數據吞吐量并降低了功耗。 * 相比同等的橫向優先解決方案，可在更小區域內實施。 圖3顯示了具有自適應復雜性軟輸出球解碼器與固定復雜性K-best解碼器間的循環計數比較。因為SNR增加，球解碼器將減少它的循環計數，而固定復雜性將保持不變，無論信道條件如何。
圖3：固定對自適應復雜性。 該解碼器的缺點包括： * 解碼器的非確定性表現使系統計劃復雜化。 * 僅在當前分支完成后才知道下一個分支選擇。這使得硬件傳遞途徑的實施受到挑戰。 圖4顯示了一個采用QPSK調制的MIMO 4×4 (4層)樹例子。 1. 深度優先以下列方式選擇到第一個樹葉的符號路徑：a. -3 (層1)；b. -3 (層2)；c. 1 (層 3)；d. 3 (層 4) 2. 更新了初始半徑 3. 追溯執行到第二層的一個符號 4. 在搜索期間，修整了超出搜索半徑的分支(紅色所示)，因此使搜索樹最小化。
圖4：球解碼樹遍歷。 CEVA解決方案 CEVA通過推出最大似然MIMO檢測器(MLD)來應對MIMO接收器的挑戰。該MLD是緊密耦合擴展加速器硬件單元。該MLD能夠處理LTE——先進的Cat.7數據流并產生軟輸出最大對數解決方案。 該MLD加速器達到了次優最大似然(ML)解決方案，可用于4×4或3×3 MIMO @12.6 Mega-tones/秒，使用軟輸出球解碼器方法，以及2×2基于LORD 的ML解決方案 @ 28.8 Mega-tones/秒，使用載波聚合。該MLD設計用于移動應用，強調低功耗設計理念。 功能集 MLD功能集包括對以下的支持： * 從2×2到4×4 MIMO的可變傳輸模式，且每層可配置的調制高達64QAM。 * 三種搜索優化：每個樹層的用戶自定義層排序，初始半徑和搜索半徑。 * 通過提供吞吐量控制能力，CEVA MLD解決了軟輸出球解碼的非確定性質，包括用于音調處理的上下循環計數界線。另外，使用用戶自定義的基于時間標記的終端來保持系統吞吐量。 * 可以擴展軟比特來補償SNR和調制因數。 * 在內部符號和內層解決方案中提供對LLR排列的支持 * 內層解映射：支持兩個代碼層，使MLD能夠將所寫數據拆分到兩個不同的目的地。 * 可擴展的硬件解決方案實現了性能/功率/面積的權衡，包括選擇MLD引擎的數量、緩沖器大小和接口時鐘比率。 另外，加速器提供了廣泛的調試和性能分析能力。 MLD加速器方框圖 圖5描述了MLD加速器的方框圖，其包含了一個AXI接口、輸入緩沖器、分配器、最大似然引擎(Maximum Likelihood Engine，MLE)、LLR發生器、重排序緩沖器和輸出緩沖器。 輸入緩沖器存儲了大量的音調數據，通過分配器，每次傳送一個音調到MLE。每個MLE輸出有關檢測到的比特數據；這進而通過LLR發生器轉化為LLR格式。重排序緩沖器積累LLR 數據，以便傳輸和發送有序的輸出到輸出緩沖器中。輸出緩沖器通過AXI接口將LLR寫到接收鏈中的下一個模塊。
圖5：MLD加速器方框圖。 MLD性能 圖6描述了與MMSE接收器相比較的CEVA MLD TCE的性能，使用了4×4空間復用MIMO。封包出錯率中的吞吐量可在不同的SNR條件下評估。LTE信道設置在EPA 5Hz和低相關傳播條件上。
圖6：4×4 MIMO空間復用性能。 CEVA的解決方案獲得接近ML的結果，而MMSE遭受嚴重的性能下降，即便在低相關條件下。對于更高的相關條件，MMSE將會進一步惡化。 相比之下，具有類似性能的K-best解決方案將需要超過兩倍的CEVA MLD TCE范圍。 CEVA MLD TCE包含了： * 相比單純的ML解碼，MIMO 4×4具有低于1.5dB損失的極佳精確度。 * 無精度損失解碼MIMO 2×2 (LORD同等性能和復雜性)。 * 超低功耗設計。 * 有競爭力的芯片尺寸。 圖7描述了4×4 MIMO的性能，采用64-QAM調制，SM在最高編碼速率下。即使在這些條件下，相比理想的ML結果，CEVA MLD TCE仍提供了低于1.5dB的精度損失。
圖7：MLD 4×4 MIMO的性能。 圖8說明了SM 在最高編碼速率下的2×2 MIMO的性能，采用64-QAM 調制。CEVA MLD TCE提供完美的ML性能。 結論 本文展示MLD接收器實現了優于線性接收器的結果，但當選擇MLD實施時，仍有許多因素需要考慮。MLD接收器設計人員必須選擇最合適的解決方案用于所需的應用，要考慮以下因素： * 精度目標和吞吐量要求：需要一個用戶可配置的解決方案，以便快速獲得高質量LLR。 * 延遲定義：需要可定義的系統計劃，以便在規定的時間內完成任務——例如，通過使用時間標記。 * 信道類型快/慢時間變化：快速時間變化信道將需要頻繁更新信道信息的能力。 * 硬件考慮：大小、速度(MHz)和功耗。 * 需要可擴展的硬件解決方案來滿足小面積和低功耗需求。 |
